Ви благодариме што ја посетивте Nature.com. Верзијата на прелистувачот што ја користите има ограничена CSS поддршка. За најдобри резултати, препорачуваме да користите понова верзија на вашиот прелистувач (или да го исклучите режимот на компатибилност во Internet Explorer). Во меѓувреме, за да обезбедиме континуирана поддршка, ја прикажуваме страницата без стилизирање или JavaScript.
Примените на клиничката вештачка интелигенција (ВИ) брзо растат, но постојните наставни програми на медицинските факултети нудат ограничена настава што ја опфаќа оваа област. Овде опишуваме курс за обука за вештачка интелигенција што го развивме и го испорачавме на канадските студенти по медицина и даваме препораки за идна обука.
Вештачката интелигенција (ВИ) во медицината може да ја подобри ефикасноста на работното место и да помогне во донесувањето клинички одлуки. За безбедно насочување на употребата на вештачка интелигенција, лекарите мора да имаат одредено разбирање за вештачката интелигенција. Многу коментари се залагаат за предавање на концепти на ВИ1, како што се објаснување на моделите на ВИ и процесите на верификација2. Сепак, имплементирани се малку структурирани планови, особено на национално ниво. Пинто дос Сантос и др.3. Анкетирани се 263 студенти по медицина, а 71% се согласиле дека им е потребна обука за вештачка интелигенција. Предавањето вештачка интелигенција на медицинска публика бара внимателен дизајн што комбинира технички и нетехнички концепти за студенти кои често имаат обемно претходно знаење. Го опишуваме нашето искуство со спроведување на серија работилници за ВИ на три групи студенти по медицина и даваме препораки за идно медицинско образование во ВИ.
Нашата петнеделна работилница „Вовед во вештачката интелигенција во медицината“ за студенти по медицина се одржа три пати помеѓу февруари 2019 и април 2021 година. Распоредот за секоја работилница, со краток опис на промените во курсот, е прикажан на Слика 1. Нашиот курс има три основни цели на учење: студентите да разберат како се обработуваат податоците во апликациите за вештачка интелигенција, да ја анализираат литературата за вештачка интелигенција за клинички апликации и да ги искористат можностите за соработка со инженери кои развиваат вештачка интелигенција.
Сината е темата на предавањето, а светло сината е интерактивниот период за прашања и одговори. Сивиот дел е фокусот на краткиот преглед на литературата. Портокаловите делови се избрани студии на случај што опишуваат модели или техники на вештачка интелигенција. Зелената е воден курс за програмирање дизајниран да ја научи вештачката интелигенција за решавање клинички проблеми и евалуација на модели. Содржината и времетраењето на работилниците варираат во зависност од проценката на потребите на студентите.
Првата работилница се одржа на Универзитетот во Британска Колумбија од февруари до април 2019 година, а сите 8 учесници дадоа позитивни повратни информации4. Поради COVID-19, втората работилница се одржа виртуелно во октомври-ноември 2020 година, при што се регистрираа 222 студенти по медицина и 3 специјализанти од 8 канадски медицински факултети. Слајдовите и кодот од презентацијата се поставени на веб-страница со отворен пристап (http://ubcaimed.github.io). Клучните повратни информации од првата итерација беа дека предавањата беа премногу интензивни, а материјалот премногу теоретски. Опслужувањето на шесте различни временски зони во Канада претставува дополнителни предизвици. Така, втората работилница ја скрати секоја сесија на 1 час, го поедностави материјалот за курсот, додаде повеќе студии на случај и создаде стандардни програми што им овозможија на учесниците да завршат фрагменти од код со минимално дебагирање (Поле 1). Клучните повратни информации од втората итерација вклучуваа позитивни повратни информации за програмските вежби и барање за демонстрирање на планирање за проект за машинско учење. Затоа, на нашата трета работилница, што се одржа виртуелно за 126 студенти по медицина во март-април 2021 година, вклучивме повеќе интерактивни вежби за кодирање и сесии за повратни информации за проекти за да го демонстрираме влијанието од користењето на концептите на работилницата врз проектите.
Анализа на податоци: Област на студии во статистиката што идентификува значајни шеми во податоците преку анализа, обработка и соопштување на шеми на податоци.
Рударење на податоци: процес на идентификување и извлекување податоци. Во контекст на вештачката интелигенција, ова е често големо, со повеќе променливи за секој примерок.
Намалување на димензионалноста: Процес на трансформирање на податоци со многу индивидуални карактеристики во помалку карактеристики, додека се зачувуваат важните својства на оригиналниот сет на податоци.
Карактеристики (во контекст на вештачка интелигенција): мерливи својства на примерок. Често се користи наизменично со „својство“ или „променлива“.
Мапа на градиентна активација: Техника што се користи за толкување на модели на вештачка интелигенција (особено конволуциони невронски мрежи), која го анализира процесот на оптимизирање на последниот дел од мрежата за да се идентификуваат региони на податоци или слики кои се многу предвидливи.
Стандарден модел: Постоечки модел на вештачка интелигенција кој е претходно обучен да извршува слични задачи.
Тестирање (во контекст на вештачка интелигенција): набљудување како моделот извршува задача користејќи податоци со кои не се сретнал претходно.
Обука (во контекст на вештачка интелигенција): Обезбедување на модел со податоци и резултати, така што моделот ќе ги прилагоди своите внатрешни параметри за да ја оптимизира својата способност за извршување задачи користејќи нови податоци.
Вектор: низа од податоци. Во машинското учење, секој елемент од низата обично е единствена карактеристика на примерокот.
Табела 1 ги наведува најновите курсеви за април 2021 година, вклучувајќи ги и целните цели на учење за секоја тема. Оваа работилница е наменета за оние кои се нови на техничкото ниво и не бара никакво математичко знаење по првата година од додипломските студии по медицина. Курсот го развија 6 студенти по медицина и 3 наставници со напредни дипломи по инженерство. Инженерите развиваат теорија на вештачка интелигенција за да предаваат, а студентите по медицина учат клинички релевантен материјал.
Работилниците вклучуваат предавања, студии на случај и водено програмирање. Во првото предавање, разгледуваме избрани концепти за анализа на податоци во биостатистика, вклучувајќи визуелизација на податоци, логистичка регресија и споредба на дескриптивна и индуктивна статистика. Иако анализата на податоци е основа на вештачката интелигенција, ги исклучуваме теми како што се рударство на податоци, тестирање на значајност или интерактивна визуелизација. Ова се должи на временските ограничувања, а исто така и на тоа што некои студенти на додипломски студии имале претходна обука за биостатистика и сакале да опфатат повеќе уникатни теми за машинско учење. Следственото предавање воведува современи методи и дискутира за формулација на проблеми со вештачка интелигенција, предностите и ограничувањата на моделите со вештачка интелигенција и тестирањето на модели. Предавањата се дополнети со литература и практични истражувања за постојните уреди за вештачка интелигенција. Ги нагласуваме вештините потребни за да се процени ефективноста и изводливоста на моделот за решавање на клинички прашања, вклучително и разбирање на ограничувањата на постојните уреди за вештачка интелигенција. На пример, ги замоливме студентите да ги протолкуваат упатствата за повреди на главата кај децата предложени од Куперман и сор., 5, кои имплементираа алгоритам за дрво на одлуки за вештачка интелигенција за да утврдат дали КТ скенирањето би било корисно врз основа на преглед од лекар. Нагласуваме дека ова е чест пример за вештачка интелигенција што обезбедува предвидлива аналитика за лекарите да ја протолкуваат, наместо да ги заменува лекарите.
Во достапните примери за програмирање со отворен код (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ние демонстрираме како да се изврши истражувачка анализа на податоци, намалување на димензионалноста, вчитување на стандарден модел и обука и тестирање. Користиме тетратки на Google Colaboratory (Google LLC, Mountain View, CA), кои овозможуваат извршување на Python код од веб-прелистувач. На сл. Слика 2 е прикажан пример за вежба за програмирање. Оваа вежба вклучува предвидување на малигнитети со користење на Wisconsin Open Breast Imaging Dataset6 и алгоритам на дрво на одлуки.
Презентирајте програми во текот на целата недела на поврзани теми и изберете примери од објавени апликации за вештачка интелигенција. Елементите на програмирање се вклучени само ако се сметаат за релевантни за обезбедување увид во идната клиничка пракса, како на пример како да се евалуираат моделите за да се утврди дали се подготвени за употреба во клинички испитувања. Овие примери кулминираат во целосно развиена апликација од почеток до крај што ги класифицира туморите како бенигни или малигни врз основа на параметрите на медицинската слика.
Хетерогеност на претходно знаење. Нашите учесници се разликуваа во нивото на математичко знаење. На пример, студентите со напредна инженерска позадина бараат подетален материјал, како на пример како да ги извршат сопствените Фуриеови трансформации. Сепак, дискусијата за Фуриеовиот алгоритам на час не е можна бидејќи бара длабинско познавање на обработката на сигнали.
Одлив на присуство. Присуството на последователните состаноци се намали, особено во онлајн формати. Решението може да биде следење на присуството и обезбедување сертификат за завршување. Медицинските факултети се познати по тоа што ги признаваат транскриптите од воннаставните академски активности на студентите, што може да ги охрабри студентите да се стекнат со диплома.
Дизајн на курсот: Бидејќи вештачката интелигенција опфаќа толку многу подобласти, изборот на основни концепти со соодветна длабочина и ширина може да биде предизвикувачки. На пример, континуитетот на употреба на алатки за вештачка интелигенција од лабораторијата до клиниката е важна тема. Иако опфаќаме претходна обработка на податоци, градење модели и валидација, не вклучуваме теми како што се анализа на големи податоци, интерактивна визуелизација или спроведување клинички испитувања со вештачка интелигенција, туку се фокусираме на најуникатните концепти на вештачка интелигенција. Нашиот водечки принцип е да ја подобриме писменоста, а не вештините. На пример, разбирањето како моделот ги обработува влезните карактеристики е важно за интерпретабилност. Еден начин да се направи ова е да се користат мапи за активирање на градиент, кои можат да визуелизираат кои региони од податоците се предвидливи. Сепак, ова бара мултиваријантно пресметување и не може да се воведе8. Развивањето заедничка терминологија беше предизвикувачки бидејќи се обидувавме да објасниме како да се работи со податоци како вектори без математички формализам. Забележете дека различните термини имаат исто значење, на пример, во епидемиологијата, „карактеристика“ се опишува како „променлива“ или „атрибут“.
Задржување на знаењето. Бидејќи примената на вештачката интелигенција е ограничена, степенот до кој учесниците го задржуваат знаењето останува да се види. Наставните програми на медицинските факултети честопати се потпираат на интервалско повторување за да се зајакне знаењето за време на практичните ротации,9 што може да се примени и во образованието за вештачка интелигенција.
Професионализмот е поважен од писменоста. Длабочината на материјалот е дизајнирана без математичка строгост, што беше проблем при започнувањето клинички курсеви по вештачка интелигенција. Во примерите за програмирање, користиме шаблон-програма што им овозможува на учесниците да пополнуваат полиња и да го стартуваат софтверот без да мора да сфатат како да постават комплетна програмска околина.
Загрижености во врска со вештачката интелигенција што се обработени: Постои широко распространета загриженост дека вештачката интелигенција би можела да замени некои клинички должности3. За да се справиме со ова прашање, ги објаснуваме ограничувањата на вештачката интелигенција, вклучително и фактот дека речиси сите технологии за вештачка интелигенција одобрени од регулаторите бараат лекарски надзор11. Исто така, ја нагласуваме важноста на пристрасноста бидејќи алгоритмите се склони кон пристрасност, особено ако збирот на податоци не е разновиден12. Следствено, одредена подгрупа може да биде моделирана неправилно, што доведува до неправедни клинички одлуки.
Ресурсите се јавно достапни: Создадовме јавно достапни ресурси, вклучувајќи слајдови од предавања и код. Иако пристапот до синхрона содржина е ограничен поради временските зони, содржината со отворен код е практичен метод за асинхроно учење бидејќи експертизата за вештачка интелигенција не е достапна на сите медицински факултети.
Интердисциплинарна соработка: Оваа работилница е заеднички потфат инициран од студенти по медицина за заедничко планирање курсеви со инженери. Ова ги демонстрира можностите за соработка и празнините во знаењето во обете области, овозможувајќи им на учесниците да ја разберат потенцијалната улога што можат да ја придонесат во иднина.
Дефинирајте ги основните компетенции за вештачка интелигенција. Дефинирањето список на компетенции обезбедува стандардизирана структура што може да се интегрира во постојните медицински наставни програми базирани на компетенции. Оваа работилница моментално ги користи нивоата на цел на учење 2 (Разбирање), 3 (Примена) и 4 (Анализа) од Блумовата таксономија. Поседувањето ресурси на повисоки нивоа на класификација, како што е креирање проекти, може дополнително да го зајакне знаењето. Ова бара работа со клинички експерти за да се утврди како темите за вештачка интелигенција можат да се применат во клиничките работни процеси и да се спречи предавањето на повторувачки теми што веќе се вклучени во стандардните медицински наставни програми.
Создавајте студии на случај со користење на вештачка интелигенција. Слично на клиничките примери, учењето базирано на случаи може да ги зајакне апстрактните концепти со истакнување на нивната релевантност за клиничките прашања. На пример, една студија на работилница го анализираше системот за откривање на дијабетична ретинопатија базиран на вештачка интелигенција на Google 13 за да ги идентификува предизвиците по патот од лабораторија до клиника, како што се барањата за надворешна валидација и патиштата за регулаторно одобрување.
Користете искуствено учење: Техничките вештини бараат фокусирана практика и повторена примена за совладување, слично на ротирачките искуства на учење на клиничките практиканти. Едно потенцијално решение е моделот на превртена училница, за кој е објавено дека го подобрува задржувањето на знаењето во инженерското образование14. Во овој модел, студентите самостојно го прегледуваат теоретскиот материјал, а времето на часот е посветено на решавање проблеми преку студии на случај.
Скалирање за мултидисциплинарни учесници: Замислуваме усвојување на вештачката интелигенција кое вклучува соработка низ повеќе дисциплини, вклучувајќи лекари и сродни здравствени професионалци со различни нивоа на обука. Затоа, наставните програми можеби ќе треба да се развиваат во консултација со факултетот од различни оддели за да се прилагоди нивната содржина на различни области на здравствената заштита.
Вештачката интелигенција е високотехнолошка, а нејзините основни концепти се поврзани со математиката и компјутерските науки. Обуката на здравствениот персонал за разбирање на вештачката интелигенција претставува единствени предизвици во изборот на содржини, клиничката релевантност и методите на испорака. Се надеваме дека сознанијата добиени од работилниците за вештачката интелигенција во образованието ќе им помогнат на идните едукатори да прифатат иновативни начини за интегрирање на вештачката интелигенција во медицинското образование.
Python скриптата на Google Colaboratory е со отворен код и достапна на: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Пробер, КГ и Кан, С. Преосмислување на медицинското образование: повик за акција. Акад. медицина. 88, 1407–1410 (2013).
Мекој, ЛГ итн. Што навистина треба да знаат студентите по медицина за вештачката интелигенција? NPZh броеви. Медицина 3, 1–3 (2020).
Дос Сантос, ДП и др. Ставови на студентите по медицина кон вештачката интелигенција: мултицентрична анкета. EURO. radiation. 29, 1640–1646 (2019).
Фан, Кентаки, Ху, Р. и Сингла, Р. Вовед во машинско учење за студенти по медицина: пилот-проект. J. Med. teach. 54, 1042–1043 (2020).
Куперман Н, и др. Идентификување на деца со многу низок ризик од клинички значајна повреда на мозокот по повреда на главата: проспективна кохортна студија. Lancet 374, 1160–1170 (2009).
Стрит, ВН, Волберг, ВХ и Мангасаријан, Ол. Екстракција на нуклеарни карактеристики за дијагностицирање на тумор на дојка. Биомедицинска наука. Обработка на слики. Биомедицинска наука. Вајс. 1905, 861–870 (1993).
Чен, ПХЦ, Лиу, Ј. и Пенг, Л. Како да се развијат модели на машинско учење за здравствена заштита. Нат. Мет. 18, 410–414 (2019).
Селвараџу, РР и др. Град-кам: Визуелна интерпретација на длабоки мрежи преку локализација базирана на градиент. Зборник на трудови од Меѓународната конференција за компјутерски вид на IEEE, 618–626 (2017).
Кумаравел Б, Стјуарт К и Илиќ Д. Развој и евалуација на спирален модел за проценка на компетенциите за медицина засновани на докази со користење на OSCE во додипломските медицински студии. BMK Medicine. teach. 21, 1–9 (2021).
Колачалама ВБ и Гарг ПС Машинско учење и медицинско образование. NPZh броеви. медицина. 1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. and de Rooy, M. Вештачка интелигенција во радиологијата: 100 комерцијални производи и нивните научни докази. ЕВРО. зрачење. 31, 3797-3804 (2021).
Топол, ЕЈ Високо-перформансна медицина: конвергенција на човечката и вештачката интелигенција. Nat. medicine. 25, 44–56 (2019).
Беде, Е. и др. Евалуација центрирана кон човекот на систем за длабоко учење распореден во клиниката за откривање на дијабетична ретинопатија. Зборник на трудови од конференцијата на CHI за човечки фактори во компјутерските системи во 2020 година (2020).
Кер, Б. Превртена училница во инженерското образование: Истражувачки преглед. Зборник на трудови од Меѓународната конференција за интерактивно колаборативно учење од 2015 година (2015).
Авторите им се заблагодаруваат на Даниел Вокер, Тим Салкудин и Питер Зандстра од Истражувачкиот кластер за биомедицинско снимање и вештачка интелигенција при Универзитетот во Британска Колумбија за поддршката и финансирањето.
RH, PP, ZH, RS и MA беа одговорни за развојот на содржината на наставата за работилницата. RH и PP беа одговорни за развојот на примерите за програмирање. KYF, OY, MT и PW беа одговорни за логистичката организација на проектот и анализата на работилниците. RH, OY, MT, RS беа одговорни за креирање на сликите и табелите. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS беа одговорни за изготвување и уредување на документот.
„Комуникациска медицина“ им се заблагодарува на Керолин Мекгрегор, Фабио Мораес и Адитја Боракати за нивниот придонес во прегледот на ова дело.
Време на објавување: 19 февруари 2024 година